基于向量机的数据流聚类学习方法研究
| 中文摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-15页 |
| ·研究背景及意义 | 第7-8页 |
| ·聚类分析算法的国内外研究现状 | 第8-11页 |
| ·文本数据挖掘面临的一些问题 | 第11-14页 |
| ·本文的研究内容和组织结构 | 第14-15页 |
| 第二章 数据聚类概述 | 第15-31页 |
| ·引言 | 第15页 |
| ·聚类的组成分析 | 第15-16页 |
| ·聚类算法选择、使用分析 | 第16页 |
| ·聚类类型 | 第16-17页 |
| ·对象表示方法对聚类结果的影响分析 | 第17-18页 |
| ·相似度度量分析 | 第18-19页 |
| ·聚类结果呈现分析 | 第19-20页 |
| ·聚类结果评估分析 | 第20-21页 |
| ·数据聚类算法分析 | 第21-30页 |
| ·基于层次的聚类算法分析 | 第21-22页 |
| ·基于划分的聚类算法分析 | 第22-25页 |
| ·基于密度的聚类算法分析 | 第25-26页 |
| ·最邻近聚类算法分析 | 第26-28页 |
| ·模糊聚类算法分析 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于向量机的文本数据聚类方法 | 第31-39页 |
| ·引言 | 第31页 |
| ·基于向量机文本聚类算法基础 | 第31-36页 |
| ·文本对象的表示 | 第31-33页 |
| ·距离度量 | 第33-34页 |
| ·自组织映射图 | 第34-36页 |
| ·基于Gallant算法的文本向量生成方法 | 第36-38页 |
| ·算法分析 | 第38-39页 |
| 第四章 实验结果分析 | 第39-48页 |
| ·实验数据情况 | 第39页 |
| ·实验介绍 | 第39-40页 |
| ·KNN算法实验结果 | 第40-43页 |
| ·DBSCAN算法实验结果 | 第43-47页 |
| ·实验总结 | 第47-48页 |
| 第五章 课题总结与展望 | 第48-49页 |
| ·课题总结 | 第48页 |
| ·课题展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 发表论文和参与项目情况 | 第53页 |
| 致谢 | 第53页 |
